تشخیص حملات DDoS با استفاده از الگوریتم ژنتیک و شبکه LSTM

حملات انکار سرویس توزیع شده (DDoS) به عنوان یکی از مخرب ترین تهدیدات امنیت سایبری در عصر حاضر محسوب می شوند که با اشباع منابع شبکه و سرویس ها، باعث اختلال در دسترسی کاربران قانونی می گردند. این مقاله به ارائه یک چارچوب ترکیبی نوآورانه برای تشخیص کارآمد و دقیق این حملات می پردازد. روش پیشنهادی از ترکیب الگوریتم ژنتیک (GA) برای انتخاب بهینه ویژگی ها و شبکه عصبی بازگشتی حافظه بلند-کوتاه مدت (LSTM) برای طبقه بندی استفاده می کند. در فاز اول، الگوریتم ژنتیک با استفاده از تابع برازندگی مبتنی بر دقت طبقه بندی و با پارامترهای بهینه شده، زیرمجموعه ای متشکل از ۲۰ ویژگی کلیدی را از بین ۸۵ ویژگی اولیه در دیتاست CIC-DDoS۲۰۱۷ انتخاب می نماید. در فاز دوم، داده های با ابعاد کاهش یافته به یک شبکه LSTM با معماری پیشرفته متشکل از دو لایه LSTM (با ۶۴ و ۳۲ واحد)، لایه Dropout (با نرخ ۰.۵) و لایه خروجی Sigmoid تغذیه می شوند. این شبکه با توانایی یادگیری وابستگی های زمانی بلندمدت در ترافیک شبکه، به طبقه بندی جریان های شبکه به دو کلاس عادی و مخرب می پردازد. ارزیابی های جامع انجام شده بر روی دیتاست معتبر CIC-DDoS۲۰۱۷ حاکی از برتری چشمگیر روش پیشنهادی است به طوری که این چارچوب به دقت ۹۹.۸٪، دقت ۹۹.۷٪، فراخوانی ۹۹.۹٪ و امتیاز F۱ برابر با ۹۹.۸٪ دست یافته است. مقایسه نتایج با روش های پایه مانند Random Forest (با دقت ۹۷.۱٪) و مدل LSTM بدون انتخاب ویژگی (با دقت ۹۸.۵٪)، برتری قابل توجه رویکرد ترکیبی پیشنهادی را به وضوح نشان می دهد. مهم ترین دستاورد این پژوهش، کاهش ۷۶ درصدی ابعاد داده بدون کاهش دقت و همچنین افزایش کارایی مدل به دلیل حذف نویز و ویژگی های زائد است. این امر مدل را برای استقرار در محیط های عملی با محدودیت منابع پردازشی مناسب می سازد.

کلیدواژه ها:

حملات DDoS ، تشخیص نفوذ ، الگوریتم ژنتیک ، شبکه LSTM ، انتخاب ویژگی ، یادگیری عمیق